Cinnamon Pie

请问还有后续吗？我也遇到了类似的问题

作者您好！我研读了一下您的代码，想与您确认一下我对训练结构以及参数的理解是否正确： `epoch`：外部epoch数，一个“外部epoch”的流程是“训练模型整体->两次重赋权与min/max”；若当前为第一个epoch则需要首先进行模型整体训练。 `epoch_ratio`：该数组的结构为[模型整体训练所需epoch数, 赋权与min/max所需epoch数]。 `cycle`：该数组代表初始取数据到最终数据集经过的流程，每一个cycle之间差一个增加数据集量的比例。 因此计算总epoch的方法是否应该为`(epoch_ratio[0]+(epoch_ratio[0]+epoch_ratio[1]*2)*epoch)*len(cycle)`？我在查看代码的时候没有看到X_U_repeat和X_L_repeat的使用位置（包括这两个值赋给的cfg.data.train.times，没有找到后续在哪里使用），想询问一下这两个变量的设计逻辑。

> > 作者您好！我研读了一下您的代码，想与您确认一下我对训练结构以及参数的理解是否正确： > > `epoch`：外部epoch数，一个“外部epoch”的流程是“训练模型整体->两次重赋权与min/max”；若当前为第一个epoch则需要首先进行模型整体训练。 > > `epoch_ratio`：该数组的结构为[模型整体训练所需epoch数, 赋权与min/max所需epoch数]。 > > `cycle`：该数组代表初始取数据到最终数据集经过的流程，每一个cycle之间差一个增加数据集量的比例。 > > 因此计算总epoch的方法是否应该为`(epoch_ratio[0]+(epoch_ratio[0]+epoch_ratio[1]*2)*epoch)*len(cycle)`？我在查看代码的时候没有看到X_U_repeat和X_L_repeat的使用位置（包括这两个值赋给的cfg.data.train.times，没有找到后续在哪里使用），想询问一下这两个变量的设计逻辑。 > > 您好！感谢您对于我们工作的关注。您对训练结构以及参数的理解没有问题。 > > 有关 `X_U_repeat` 和 `X_L_repeat` 的使用，确实是赋给了 `cfg.data.train.times`，关于它的调用位置可以参见 [这里](../blob/master/mmdet/datasets/dataset_wrappers.py#L55)，其含义为数据在 dataloader 中重复的次数。...